تخيّل مزوِّراً يحاول طباعة أوراق نقدية مزيّفة ومحقِّقاً مهمّته كشفها. ومن خلال المواجهة المتكرّرة، يصبح المزوِّر بارعاً إلى حدّ أنّ تزويراته تغدو لا تُميَّز عن الأصل. هذا تماماً هو مبدأ الشبكة التوليدية التخاصمية (GAN)، وهي بنية قدّمها إيان غودفيلو وزملاؤه عام 2014.
شبكتان في مبارزة
تضع الشبكة التوليدية التخاصمية شبكتين عصبيتين في تنافس:
- المُولِّد (generator) ينطلق من ضوضاء عشوائية ليُنتج بيانات اصطناعية (صوراً، أصواتاً، نصوصاً).
- المُميِّز (discriminator) يتلقّى عيّنة ويحكم إن كانت حقيقية (من البيانات الأصلية) أم مزيّفة (من صنع المُولِّد).
التدريب هو لعبة محصّلتها صفر: المُولِّد يسعى لخداع المُميِّز، والمُميِّز يسعى ألّا يُخدَع. ورياضياً، نُحسِّن دالة هدف من نوع minimax:
$$\min_G \max_D \; \mathbb{E}{x \sim p[\log(1 - D(G(z)))]$$}}}[\log D(x)] + \mathbb{E}_{z \sim p_z
نقاط القوة والحدود
| الميزة | التحدّي |
|---|---|
| صور بالغة الواقعية | تدريب غير مستقر |
| لا حاجة للتسميات | «انهيار النمط» (تنوّع ضعيف) |
| توليد سريع بعد التدريب | صعوبة التقارب |
دفعت هذه الشبكات إلى الواجهة تقنيات التزييف العميق (deepfakes)، وإنشاء وجوه اصطناعية، وتحسين دقّة الصور. لكنّها تبقى أصعب تدريباً من نماذج الانتشار (diffusion) التي حلّت محلّها جزئياً.
الشبكة التوليدية التخاصمية فنّ التعلّم بالخداع: فبالسعي إلى التضليل ينتهي بها الأمر إلى صناعة الحقيقي.